多元线性回归模型原理

研究在线性关系相关性条件下，两个或者两个以上自变量对一个因变量，为多元线性回归分析，表现这一数量关系的数学公式，称为多元线性回归模型。多元线性回归模型是一元线性回归模型的扩展，其基本原理与一元线性回归模型类似，只是在计算上为复杂需借助计算机来完成。

计算公式如下：

设随机y与一般变量x1,x2,?xk的线性回归模型为：

y??0??1x1??2x2??kxk??

其中?0,?1,??k是k?1个未知参数，?0称为回归常数，?1,??k称为回归系数；

y称为被解释变量；x1,x2,?xk是k个可以精确可控制的一般变量，称为解释变量。

当p?1时，上式即为一元线性回归模型，k?2时，上式就叫做多元形多元回归模型。?是随机误差，与一元线性回归一样，通常假设

?E(?)?0?2 var(?)???同样，多元线性总体回归方程为y??0??1x1??2x2????kxk

系数?1表示在其他自变量不变的情况下，自变量x1变动到一个单位时引起的因变量y的平均单位。其他回归系数的含义相似，从集合意义上来说，多元回归是多维空间上的一个平面。

????x???x?????x ???多元线性样本回归方程为：y01122kk

多元线性回归方程中回归系数的估计同样可以采用最小二乘法。由残差平方和:

?)?0 SSE??(y?y根据微积分中求极小值得原理，可知残差平方和SSE存在极小值。欲使SSE达到最小，SSE对?0,?1,??k的偏导数必须为零。

将SSE对?0,?1,??k求偏导数，并令其等于零，加以整理后可得到k?1各方程

?SSE式：??2??i?SSE??2??0?)?0 ?(y?y?0

?)xi?(y?y?，??，?回归系通过求解这一方程组便可分别得到?0,?1,??k的估计值?···?01k数的估计值，当自变量个数较多时，计算十分复杂，必须依靠计算机独立完成。现在，

利用SPSS，只要将数据输入，并指定因变量和相应的自变量，立刻就能得到结果。

对多元线性回归，也需要测定方程的拟合程度、检验回归方程和回归系数的显著性。 测定多元线性回归的拟合度程度，与一元线性回归中的判定系数类似，使用多重判定系数，其中定义为：

(y?y)SSRSSE?2 R??1??1?2SSTSST(y?y)?2?式中，SSR为回归平方和，SSE为残差平方和，SST为总离差平方和。

同一元线性回归相类似，0?R2?1，R2越接近1，回归平面拟合程度越高，反之，R2越接近0，拟合程度越低。R2的平方根成为负相关系数(R)，也成为多重相关系数。它表示因变量y与所有自变量全体之间线性相关程度，实际反映的是样本数据与预测数据间的相关程度。判定系数R2的大小受到自变量x的个数k的影响。在实际回归分析中可以看到，随着自变量x个数的增加，回归平方和(SSR)增大，是R2增大。由于增加自变量个数引起的R2增大与你和好坏无关，因此在自变量个数k不同的回归方程之间比较拟合程度时，R2不是一个合适的指标，必须加以修正或调整。

调整方法为：把残差平方和与总离差平方和纸币的分子分母分别除以各自的自由度，变成均方差之比，以剔除自变量个数对拟合优度的影响。调整的R2为：

R?1?2SSE/(n?k?1)SSEn?1n?1 ?1???1?(1?R2)SST/(n?1)SSTn?k?1n?k?12由上时可以看出，R考虑的是平均的残差平方和，而不是残差平方和，因此，一2般在线性回归分析中，R越大越好。

从F统计量看也可以反映出回归方程的拟合程度。将F统计量的公式与R2的公式作一结合转换，可得：

R2/kF? 2(1?R)/(n?k?1)可见，如果回归方程的拟合度高，F统计量就越显著；F统计量两月显著，回归方程的拟合优度也越高。

本文来源：https://www.bwwdw.com/article/t28t.html